传染病季节流行现象在预测天津市猩红热疫情中的应用

目的运用季节流行现象(Z-D现象)应用的理论对天津市猩红热疫情进行预测,为控制猩红热暴发流行提供理论依据。方法利用天津市1970—2010年猩红热历史疫情资料,建立猩红热时间序列,进行最佳截取点的月累计百分位数与前兆升降比的相关分析,运用构建的外推模型进行预测研究。结果对最佳截取点的月累计百分位数和流行年前兆升降比的相关分析,得出两者呈负相关(r=-0.465,P<0.01)。回顾性符合率达77.14%,外推性预测符合率为75.00%,显示预测效果较好。结论猩红热的时间序列存在Z-D现象,依据本流行年猩红热的疫情资料,对下一流行年的疫情发生情况作出预测。     

传染病季节流行现象预测猩红热疫情

目的　分析辽宁省猩红热 195 0～ 2 0 0 2年历史疫情资料 ,建立外推预测模型对其疫情进行预测。方法　应用传染病季节流行现象 (Z -D现象 )对猩红热时间序列进行分析并作出预测。结果　对最佳截取点的月累计百分位数和流行年前兆升降比的相关分析 ,得出两者呈负相关 (R 相似文献   

传染病季节流行现象预测天津市百日咳疫情

运用传染病季节流行现象(Z-D现象)分析天津市1970-2009年百日咳历史疫情资料,建立外推预测模型对其疫情进行预测,为控制天津市百日咳暴发流行提供理论依据。建立百日咳时间序列,进行最佳截取点的月累计百分位数与前兆升降比的相关分析,运用构建的外推模型进行预测研究。对最佳截取点的月累计百分位数和流行年前兆升降比的相关分析,得出两者负相关(R=-0.337,P<0.05)。回顾性符合率达66.89%,外推性预测符合率为66.67%,显示预测效果较好,百日咳的时间序列存在Z-D现象。依据本流行年百日咳的疫情资料,可以对下一流行年的疫情发生情况作出预测。     

2006-2018年南京市猩红热流行特征分析及疫情预测

目的了解南京市猩红热流行特征,为制定防制策略提供依据。方法采用"中国疾病监测信息系统"中病例报告系统收集的南京市2006-2018年猩红热病例资料进行描述性流行病学分析。采用SPSS22.0软件建立南京市猩红热月发病率ARIMA模型,并对2019年的月发病率进行预测。结果 2006-2018年共报告猩红热病例1 463例,无死亡病例,无聚集性暴发疫情;年均发病率为1.50/10万。2006-2018年猩红热发病率呈总体上升趋势(r=0.37,P<0. 001);近年南京市猩红热发病时间曲线呈现双峰分布,集中于4～6月和11月～次年1月。城区、近郊和远郊的发病率分别为0.52/10万、4.19/10万、0.85/10万。病例主要集中在4～8岁年龄段,占总病例数的72.11%。以幼托儿童和小学生为多,分别占发病总数的37.59%(559/1 463)和50.99%(746/1 463);男女性别比为1.48:1;预测2019年南京市猩红热年发病数为343,在4～6月和11～12月各有一个发病高峰。结论南京市猩红热发病有逐年增高趋势,预测显示2019年猩红热发病率略高于2018年,应采...     

上海市徐汇区猩红热流行趋势分析及预测

目的 了解徐汇区猩红热流行病学特征和流行趋势,为制定有效的防控措施提供科学依据.方法 对徐汇区2005-2013年猩红热疫情进行描述性流行病学分析,采用流行控制图法对2014年发病情况进行预测.结果 2005-2013年徐汇区累计报告猩红热病例811例,年均发病率为7.45/10万;高发期集中在4～6月份和12～1月份;男女比例为1.85∶1;811例病例中,学生占55.61％,幼托儿童占38.10％,散居儿童占6.17％,工人占0.12％;5～8岁年龄组占病例总数的69.54％;流行控制图法预测2014年猩红热发病呈现散发.结论 学校、托幼机构是猩红热发病的高危场所,应加强学校和托幼机构的疫情监测和健康教育工作,达到有效控制猩红热疫情的目的.     

南宁市猩红热流行趋势分析及预测

目的了解南宁市猩红热的发病特征和流行趋势,为制订防制规划提供依据。方法对南宁市2004-2010年猩红热发病情况进行描述流行病学分析,并用自回归移动平均混合模型（ARIMA）对2011-2013年的发病情况进行预测。结果 2004-2010年猩红热年均发病率为0.86/10万,发病率呈逐年下降趋势。发病以冬春季为主,存在11～1月和3～5月两个高峰。男女性别发病率比为1.58：1,98.72%的病例是儿童和学生,3～7岁组病例占总病例数的72.05%。城区发病明显高于郊县。ARIMA模型预测发现2011-2013年猩红热的发病仍维持在低位流行。结论托幼机构、学校是猩红热发病的高危环境,托幼儿童和学生是防制的重点人群。应加强托幼机构和学校的疫情监测并开展健康教育,减少发病。     

玉溪市某中学猩红热爆发疫情的流行病学调查

2004年3月25日至4月10日，玉溪市十街中学学生发生猩红热疫情。共发病108例，罹患率15．34％。现将调查结果报道如下。     

宁夏2004～2011年猩红热疫情流行趋势分析

目的 为准确掌握宁夏猩红热病例发病趋势和流行病学分布特征,为制订防控策略和措施提供科学依据.方法 对2004～2011年宁夏猩红热疫情资料进行描述性统计分析.结果 2004～2011年,全区累计报告猩红热病例3 226例,平均发病率为6.66/10万.病例报告主要集中在兴庆区、西夏区、金凤区、大武口区和沙坡头区(市级政府所在区),报告病例数多于其他县区.男性多于女性,主要集中在4～7岁的幼托儿童和散居儿童,4～7岁的儿童占报告病例数的62.65％;病例集中在5～6月和11～12月,占报告病例数的54.56％.结论 猩红热报告病例数呈逐年上升趋势,应加强人口密度相对较高地区猩红热病例的管理、加大中小学校和托幼机构有关传染病防控措施落实的督导检查、加强猩红热防治知识的宣传教育,最终降低猩红热的发病率.     

全国2003～2008年猩红热流行动态分析

目的了解目前猩红热流行现状,为猩红热防控提供科学依据。方法统计2003～2008年猩红热发病数据,依据病例发病时间进行分析。结果2003～2008年猩红热发病逐年递增,由2003年第17位升至2008年第12位。猩红热发病呈规律性波动,每年有两个高发期：5～6月份和11～12月份。男孩与女孩猩红热年发病数无显著性差异。猩红热发病主要集中于1～10岁年龄段的儿童。结论猩红热发病逐年递增,应加强小学和托幼机构疫情监测,防止暴发流行。     

X-12-SARIMA在甘肃省猩红热疫情分析及短期预测中的应用

目的 探讨X-12和季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average, SARIMA)在甘肃省猩红热疫情分析及短期预测中的应用。方法 利用2010—2017年甘肃省猩红热月发病率数据建立SARIMA模型并进行短期预测,运用X-12季节调整法分析疾病流行的季节波动等特征。结果 建立的SARIMA(3,1,1)(1,1,1)₁₂模型参数估计值均有统计学意义,残差为白噪声序列,预测值的精度评价指标和误差衡量指标均符合标准。2010—2018年甘肃省猩红热月发病率存在明显季节波动,季节因子影响6月最大且呈缓慢下降趋势,循环-趋势成分影响呈缓慢上升趋势,不规则因子影响规律平稳。结论 X-12季节调整方法能较好地分析具有一定季节波动和长期趋势传染病的时间变化规律,SARIMA模型对于甘肃省猩红热的短期预测效果较好。     

ARIMA模型预测南宁市猩红热发病趋势

目的运用自回归移动平均(ARIMA)模型对南宁市2011年的猩红热发病趋势进行预测,探索猩红热的流行规律。方法以南宁市2004-2010年的猩红热月发病率数据为基础,用SPSS13.0建立ARIMA预测模型,以2005-2010年的数据验证模型的预测精度。结果 ARIMA(1,0,0)(1,1,1)12模型可以用于拟合南宁市猩红热的发病情况。南宁市2011年猩红热的发病仍然维持在低位,且发病趋势平稳。结论 ARIMA模型可用于猩红热发病趋势的短期预测。     

用周期图法对猩红热的周期性规律的初步探讨

本文根据山东省１９５８～１９９６年３９年猩红热的疫情资料，用周期图法对其发病的周期性规律进行初步探讨，分别计算出第一、二、三次隐含周期。统计分析结果表明，山东省３９年猩红热的年发病率平均为７．３３７７／１０００００万，流行周期为６～８年，周期振动有高度显著性（统计量Ｊ＝５．９０９０，Ｐ＜０．０１）。本次统计结果与国内外有关报道是一致的，也与我省实际流行情况相符合。用周期图法探讨猩红热的流行规律，为我们搞好本病的防治提供了科学依据     

传染病流行中存在\

  目的  利用猩红热流行存在的季节性规律,探索一种简单可靠的流行趋势和发病率预测模型。  方法  使用2010 — 2017年全国猩红热月发病率资料论证“W-S现象”并根据该理论建立预测模型。  结果  各省级行政区“W-S现象”的春季高峰预测结果符合率为97.53 %（158/162）,春季高峰差值（Y）与冬季高峰差值（X）呈100 %正相关。相关系数r = 0.21～0.98。85.19 %（23/27）省份呈中等程度以上相关（r > 0.5）,59.26 %（16/27）省份呈高度相关（r > 0.8）;66.67 %（18/27）的回归模型有统计学意义（P < 0.05）,r = 0.81～0.98;预测省级行政区的发病率公式为：Y = 0.045 + 1.014X。  结论  猩红热的流行中存在非常典型的“W-S现象”。     

An Integrated Syndromic Surveillance System for Monitoring Scarlet Fever in Taiwan

Objective

To develop an integrated syndromic surveillance system for timely monitoring and early detection of unusual situations of scarlet fever in Taiwan, since Hong Kong, being so close geographically to Taiwan, had an outbreak of scarlet fever in June 2011.

Introduction

Scarlet fever is a bacterial infection caused by group A streptococcus (GAS). The clinical symptoms are usually mild. Before October, 2007, case-based surveillance of scarlet fever was conducted through notifiable infectious diseases in Taiwan, but was removed later from the list of notifiable disease because of improved medical care capacities. In 2011, Hong Kong had encountered an outbreak of scarlet fever (1,2). In response, Taiwan developed an integrated syndromic surveillance system using multiple data sources since July 2011.

Methods

More than 99% of the Taiwan population is covered by National Health Insurance. We first retrospectively evaluated claims data from the Bureau of National Health Insurance (BNHI) by comparing with notifiable diseases reporting data from Taiwan Centers for Disease Control (TCDC). The claims data included information on scarlet fever diagnosis (ICD-9-CM code 034.1), date of visits, location of hospitals and age of patients from outpatient (OPD), emergency room (ER) and hospital admissions. Daily aggregate data of scarlet fever visits or hospitalizations were prospectively collected from BNHI since July 2011. Over 70% of the deaths in Taiwan are reported to the Office of Statistics of Department of Health electronically. We obtained daily data on electronic death certification data and used SAS Enterprise Guide 4.3 (SAS Institute Inc., Cary, NC, USA) for data management and analysis. Deaths associated with scarlet fever or other GAS infections were identified by text mining from causes of death with keywords of traditional Chinese ‘scarlet fever’, ‘group A streptococcus’ or ‘toxic shock syndrome’ (3).

Results

From January 2006 to September 2007, the monthly OPD data with ICD-9-CM code 034.1 from BNHI showed strong correlation with TCDC’s notifiable disease data (r=0.89, p<0.0001). From July 6, 2008 (week 28) through July 28, 2012 (week 30), the average weekly numbers of scarlet fever visits to the OPD, ER and hospital admissions were 37 (range 11–70), 7 (range 0–20) and 3 (range 0–9). Eighty-five percent of the scarlet fever patients were less than 10 years old. In Taiwan, scarlet fever occurred year-round with seasonal peaks between May and July (Fig. 1). From January 2008 to July 2012, we identified 12 potential patients (9 males, age range 0–82 years) who died of GAS infections. No report had listed ‘scarlet fever’ as cause of death during the study period.Open in a separate windowFig. 1.Weekly numbers of nationwide scarlet fever OPD and ER visits, and hospital admissions, with baseline OPD visits and 95% confidence interval calculated by a Serfling’s model, week 28 of 2008 to week 30 of 2012.

Conclusions

Taiwan has established an integrated syndromic surveillance system to timely monitor scarlet fever and GAS infection associated mortalities since July 2011. Syndromic surveillance of scarlet fever through BNHI correlated with number of scarlet fever cases through notifiable disease reporting system. Text mining from cause of death with the used keywords may have low sensitivities to identify patients who died of GAS infection. In Taiwan, syndromic surveillance has also been applied to other diseases such as enterovirus, influenza-like illness, and acute diarrhea. Interagency collaborations add values to existing health data in the government and have strengthened TCDC’s capacity of disease surveillance.     

传染病流行中存在“Z-D现象”的论证

采用回顾性验证和外推性验证的方法，对分属１７种传染病的３５３份省级和全国的资料进行了系统的分析，论证了传染病流行中的“Ｚ－Ｄ现象”，即：传染病季节发病曲线波形的左右偏移程度与下一年发病率的升、降相关联，波峰右偏则下一年的发病率上升的可能性大，反之则发病率下降的可能性大。回顾性验证提示：对上年度的季节分布曲线与下年度发病率升降趋势作相关分析，９１．２％的资料相关系数为负值；外推性验证表明：当相关系数